基于优化极限学习机的CVD预测模型研究

摘要：

利用机器学习算法,改变传统心血管疾病(CVD)预测模型的严格数理化公式,以增加危险因素的纳入、降低数据格式的要求.首先提出利用基于单隐层前馈神经网络(SLFNs)的极限学习机(ELM)算法建立CVD预测模型;进一步通过五阶段连续变异方式建立增强领导粒子的粒子群算法(ELPSO),以粒子群(PSO)算法的优化策略,对SLFNs的隐层单元参数进行优化.通过对UCI数据库Statlog (heart)数据集和heart disease database分析结果显示,所提ELPSO-ELM模型测试正确率分别达到85.71％、84.00％,AUC(ROC曲线下面积)分别达到0.902 4、0.842 3,高于传统CVD预测模型,同时放松了数据线性化约束,能纳入更多的复杂危险因素.

关键词：心血管疾病、风险预测、极限学习机、粒子群

所属期刊栏目：40

分类号：TP2(自动化技术及设备)

资助基金：国家自然科学基金资助项目60841004、60971110、61172152;郑州市科技攻关资助项目112PPTGY219-8;河南省青年骨干教师资助计划2012GGJS-005

在线出版日期：2019-05-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1-5